Репост из: Moon or dust
"Zerebro Playbook: BAYC среди Onchain Агентов" Часть 1 из 2.
https://twitter.com/yb_effect/status/1856545765734133918
Твиттерянин @yb_effect выпустил статью “Zerebro Playbook: BAYC среди Onchain Агентов,” основываясь на своем прошлом материале "Memecoins as Memetic Hygiene for Infinite Backrooms." Он утверждает, что эксперимент с Truth Terminal и $GOAT — это не просто временное увлечение, а концепция с серьёзными последствиями.
На прошлой неделе $GOAT вырос с рыночной капитализации $50 млн до $350 млн, а сегодня достиг $1 млрд, войдя в топ-100 на Coinmarketcap. В последние три недели появилось несколько проектов, которые привлекли внимание, формируя представление о том, куда движется агентская экономика. Важно отметить, что термин "мемкойн" стал слишком широким и часто используется как обобщение. Настоящие "агентские монеты" отличаются тем, что они связаны с реальными проектами, напоминая токены DeFi лета 2020 года.
Особый интерес вызывает проект Zerebro, который за две недели после запуска достиг $100 млн рыночной капитализации. Если Truth Terminal можно сравнить с Cryptopunks, то Zerebro — это BAYC. Создатель проекта, Jeffy Du, активно строит сообщество, демонстрируя процессы в реальном времени.
Проект выделяет четыре ключевых аспекта для развития ончейн-агентов:
1. Память и Поиск
2. Присутствие везде и сразу
3. Let the agents pump
4. Cross-Chain Agentic IP
Память и Поиск
В документе Zerebro обсуждается "коллапс модели," когда AI-агенты теряют способность адаптироваться и со временем становятся повторяющимися. Это подчеркивает важность двух аспектов: памяти и поиска.
Память реализуется через системы retrieval-augmented generation (RAG), которые объединяют языковые модели с системами поиска. Это позволяет агентам обновлять свои знания и адаптироваться к меняющемуся миру.
Три главные особенности RAG:
1. Постоянное обновление памяти
2. Контекстуальный поиск
3. Поддержание разнообразия
Поиск необходим для извлечения актуальной информации в реальном времени, чтобы учитывать события и данные, которых нет в памяти модели. Агенты без такого поиска теряют актуальность, особенно по мере того, как их задачи становятся более специфичными и требуют точной информации.
Всё это указывает на то, что настоящая сила современных AI-агентов заключается не только в их способности генерировать текст, но и в умении находить, сохранять и использовать информацию для адаптации в реальном времени.
https://twitter.com/yb_effect/status/1856545765734133918
Твиттерянин @yb_effect выпустил статью “Zerebro Playbook: BAYC среди Onchain Агентов,” основываясь на своем прошлом материале "Memecoins as Memetic Hygiene for Infinite Backrooms." Он утверждает, что эксперимент с Truth Terminal и $GOAT — это не просто временное увлечение, а концепция с серьёзными последствиями.
На прошлой неделе $GOAT вырос с рыночной капитализации $50 млн до $350 млн, а сегодня достиг $1 млрд, войдя в топ-100 на Coinmarketcap. В последние три недели появилось несколько проектов, которые привлекли внимание, формируя представление о том, куда движется агентская экономика. Важно отметить, что термин "мемкойн" стал слишком широким и часто используется как обобщение. Настоящие "агентские монеты" отличаются тем, что они связаны с реальными проектами, напоминая токены DeFi лета 2020 года.
Особый интерес вызывает проект Zerebro, который за две недели после запуска достиг $100 млн рыночной капитализации. Если Truth Terminal можно сравнить с Cryptopunks, то Zerebro — это BAYC. Создатель проекта, Jeffy Du, активно строит сообщество, демонстрируя процессы в реальном времени.
Проект выделяет четыре ключевых аспекта для развития ончейн-агентов:
1. Память и Поиск
2. Присутствие везде и сразу
3. Let the agents pump
4. Cross-Chain Agentic IP
Память и Поиск
В документе Zerebro обсуждается "коллапс модели," когда AI-агенты теряют способность адаптироваться и со временем становятся повторяющимися. Это подчеркивает важность двух аспектов: памяти и поиска.
Память реализуется через системы retrieval-augmented generation (RAG), которые объединяют языковые модели с системами поиска. Это позволяет агентам обновлять свои знания и адаптироваться к меняющемуся миру.
Три главные особенности RAG:
1. Постоянное обновление памяти
2. Контекстуальный поиск
3. Поддержание разнообразия
Поиск необходим для извлечения актуальной информации в реальном времени, чтобы учитывать события и данные, которых нет в памяти модели. Агенты без такого поиска теряют актуальность, особенно по мере того, как их задачи становятся более специфичными и требуют точной информации.
Всё это указывает на то, что настоящая сила современных AI-агентов заключается не только в их способности генерировать текст, но и в умении находить, сохранять и использовать информацию для адаптации в реальном времени.